Latent Semantic Indexing (LSI) - ein kurzer Überblick

ein kurzer Überblick

Business & Finance, Industries & Professions, Information Management
Cover of the book Latent Semantic Indexing (LSI) - ein kurzer Überblick by Irene Götz, GRIN Verlag
View on Amazon View on AbeBooks View on Kobo View on B.Depository View on eBay View on Walmart
Author: Irene Götz ISBN: 9783638252065
Publisher: GRIN Verlag Publication: February 7, 2004
Imprint: GRIN Verlag Language: German
Author: Irene Götz
ISBN: 9783638252065
Publisher: GRIN Verlag
Publication: February 7, 2004
Imprint: GRIN Verlag
Language: German

Studienarbeit aus dem Jahr 2001 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 2,0, Universität Hildesheim (Stiftung) (Angewandte Sprachwissenschaft), Veranstaltung: Virtuelles Hauptseminar, Sprache: Deutsch, Abstract: Bei dieser Retrieval-Methode werden in einem n -dimensionalen Raum A nfragen und Dokumente in Form von Vektoren repräsentiert, wobei jeder Suchbegriff eine Dimension darstellt. Die gefundenen Dokumente werden aufgrund ihrer Deskriptoren als Vektoren in den Raum eingeordnet, ihre Position im R aum bezeichnet ihre Relevanz. Messbar wird die Ähnlichkeit zwischen Anfrage und Dokument anhand des Cosinus- Winkels zwischen Anfrage- und Dokumentvektor: Je kleiner das Cosinus-Maß des Winkels zwischen Anfrage und Dokument, desto größer die Ähnlichkeit zwischen Dokument und Anfrage. Die Vektor-Retrieval-Methode ist weit verbreitet, hat jedoch den Nachteil, dass sie Terme als voneinander unabhängig betrachtet. Wie bei den anderen 'klassischen' Retrieval-Techniken (Boolsches Retrieval, probabilistisches Retrieval, vgl. http://www.iud.fh-darmstadt.de/iud/wwwmeth/LV/ss97/wpai/grpTexte/textgr2.htm#Heading26) werden exakte Übereinstimmungen zwischen in der Anfrage enthaltenen und in den Dokumenten verwendeten Termen, unabhängig vom Kontext, in dem sie gebraucht werden gesucht. Diese Technik ist in der Hinsicht problematisch, dass es z.B. für ein und dieselbe Sache oft verschiedene Bezeichnungen gibt, und somit relevante Dokumente oft nicht ausgegeben werden, weil im Dokument eine andere Bezeichnung als in der Anfrage verwendet wurde. Hier setzt Latent Semantic Indexing an: Dokumente werden aufgrund von Wort-Assoziationen und kontextue llen Zusammenhängen indexiert, sodass auch relevante Dokumente, die mit der Anfrage keine Wörter gemeinsam haben gefunden werden.

View on Amazon View on AbeBooks View on Kobo View on B.Depository View on eBay View on Walmart

Studienarbeit aus dem Jahr 2001 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 2,0, Universität Hildesheim (Stiftung) (Angewandte Sprachwissenschaft), Veranstaltung: Virtuelles Hauptseminar, Sprache: Deutsch, Abstract: Bei dieser Retrieval-Methode werden in einem n -dimensionalen Raum A nfragen und Dokumente in Form von Vektoren repräsentiert, wobei jeder Suchbegriff eine Dimension darstellt. Die gefundenen Dokumente werden aufgrund ihrer Deskriptoren als Vektoren in den Raum eingeordnet, ihre Position im R aum bezeichnet ihre Relevanz. Messbar wird die Ähnlichkeit zwischen Anfrage und Dokument anhand des Cosinus- Winkels zwischen Anfrage- und Dokumentvektor: Je kleiner das Cosinus-Maß des Winkels zwischen Anfrage und Dokument, desto größer die Ähnlichkeit zwischen Dokument und Anfrage. Die Vektor-Retrieval-Methode ist weit verbreitet, hat jedoch den Nachteil, dass sie Terme als voneinander unabhängig betrachtet. Wie bei den anderen 'klassischen' Retrieval-Techniken (Boolsches Retrieval, probabilistisches Retrieval, vgl. http://www.iud.fh-darmstadt.de/iud/wwwmeth/LV/ss97/wpai/grpTexte/textgr2.htm#Heading26) werden exakte Übereinstimmungen zwischen in der Anfrage enthaltenen und in den Dokumenten verwendeten Termen, unabhängig vom Kontext, in dem sie gebraucht werden gesucht. Diese Technik ist in der Hinsicht problematisch, dass es z.B. für ein und dieselbe Sache oft verschiedene Bezeichnungen gibt, und somit relevante Dokumente oft nicht ausgegeben werden, weil im Dokument eine andere Bezeichnung als in der Anfrage verwendet wurde. Hier setzt Latent Semantic Indexing an: Dokumente werden aufgrund von Wort-Assoziationen und kontextue llen Zusammenhängen indexiert, sodass auch relevante Dokumente, die mit der Anfrage keine Wörter gemeinsam haben gefunden werden.

More books from GRIN Verlag

Cover of the book Corporate Governance in rechtlicher und betriebswirtschaftlicher Hinsicht mit Lösungsvorschlägen für eine erfolgreiche Unternehmensführung by Irene Götz
Cover of the book Multi-Image Manipulation by Irene Götz
Cover of the book Brautpreis - Definitionen, Fallbeispiele und Vergleich by Irene Götz
Cover of the book Die sächsische Wirtschaft zur Zeit des Kaiserreiches by Irene Götz
Cover of the book Außenpolitische Ziele Bismarcks by Irene Götz
Cover of the book 'L´amour la Fantasia' von Assia Djebar - Kultur und Sprache im Maghreb by Irene Götz
Cover of the book Form- und Lagetoleranzen zur Beschreibung von Werkstücken by Irene Götz
Cover of the book Die Fünfprozentklausel bei Bundestagswahlen in Deutschland by Irene Götz
Cover of the book Jenseits der Fakten. Zu dokumentarischen Strategien in der zeitgenössischen Fotografie by Irene Götz
Cover of the book Der Zölibat und seine Folgen. Problemanalyse und sozialpädagogische Überlegungen by Irene Götz
Cover of the book Weiterbildung für ältere Menschen in der nachberuflichen Lebensphase by Irene Götz
Cover of the book Diagnosebasierte Risikoadjustierungsverfahren in wettbewerblichen Krankenversicherungssystemen by Irene Götz
Cover of the book ASEAN Way of Peacebuilding through Performing Arts, Community Building, and Humanitarian Operations by Irene Götz
Cover of the book Der Fisch und das Kreuz - Jona und Jesus in Kurt Hessenbergs Opus 133 by Irene Götz
Cover of the book Globalgeschichte im 21. Jahrhundert. Eine Auseinandersetzung mit dem Buch 'Unser kleines Dorf' von Exenberger, Nussbaumer und Neuner by Irene Götz
We use our own "cookies" and third party cookies to improve services and to see statistical information. By using this website, you agree to our Privacy Policy